MétaCan
Menu
Retour à la cohorte
Enregistrement W2966606678 · doi:10.1111/ajr.12545

Epidemiology of melanoma in rural southern Queensland

2019· article· en· W2966606678 sur OpenAlexaff
Scott Kitchener, Janani Pinidiyapathirage, Keegan Hunter, Lynsey Cochrane, Stephanie Gederts, Toshev SY, Brianna Watts, Adrienne Murray, Manish Poologasundrum, Swaha Bose, John Hall, Andrew Reedy, Lynton Alfred Hudson, Matthew Masel

Notice bibliographique

RevueAustralian Journal of Rural Health · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueCutaneous Melanoma Detection and Management
Établissements canadiensMiller Group (Canada)
Organismes subventionnairesnon disponible
Mots-clésMedicineEpidemiologyMelanomaAuditRural areaRural communityPrimary careMetropolitan areaCancer registryFamily medicineDemographyPathology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The objective of this study is to define the epidemiology of melanoma in rural communities in southern Queensland. DESIGN: The design used was a 6-year clinical record audit of melanoma cases identified by billing records and electronic clinical records, confirmed and typed with histology. SETTING AND PARTICIPANTS: This study was based on seven agricultural communities on the Darling Downs with patients presenting to local primary care clinics. MAIN OUTCOME MEASURES: Outcomes measured were confirmed type, depth and anatomic distribution of melanoma identified at these practices during the study period. RESULTS: = 9.6, P < 0.05) to that reported previously from the Queensland Cancer Registry. A high proportion (87%) of melanoma diagnosed by these general practitioners were 1 mm or less when treated. CONCLUSIONS: Conclusions drawn from these findings are that melanoma risk is not so much lesser in rural, inland communities compared with coastal and metropolitan regions, but different. Differences may relate to comprehensive data capture available in rural community studies and to different sun exposure and protection behaviours. The higher proportion of melanoma identified at early stages suggests rural primary care is an effective method of secondary prevention.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,098

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,034
Tête enseignante GPT0,332
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAustralian Journal of Rural HealthMême sujetCutaneous Melanoma Detection and ManagementTravaux en français237 207